医医 学学 图图 像像 处处 理理Medical Image ProcessingMedical Image Processing()医学图像分割技术主要内容：主要内容：6.2 阀值分割法分割法6.3 区域生区域生长法和分裂合并法法和分裂合并法6.1 图像分割的基本概念、特点和分像分割的基本概念、特点和分类第六章 医学图像分割技术6.4 其他常用的医学其他常用的医学图像分割方法像分割方法医学图像分割技术（1）基本概念 医学图像处理的最终目的是实现目标的检测识别、分类、分级。要实现这些目标，首先就得把感兴趣的区域从图像中分割出来。 图像分割就是将图像中的不同区域区分开来，划分后的区域是互不相交的，且同一区域的每一个元素满足某一个特定的准则。具体来说，图像分割就是原图像划分为一系列互相连接但又不重叠的子区域。6.1 图像分割的基本概念、特点和分类医学图像分割技术（1）基本概念 图像分割是图像工程中非常重要的一个环节。处于基础的图像处理和高层次的图像理解之间。6.1 图像分割的基本概念、特点和分类图像图像图像预处理图像预处理图像分析图像分析图像理解图像理解图像分割图像分割医学图像分割技术（2）医学图像分割的特点 医学图像分割方法针对具体的医学应用和分割任务，具有以下三个特点。需要结合利用医学领域知识或先验知识进行。重视多种分割算法的有效结合。大多需要人工干预。6.1 图像分割的基本概念、特点和分类医学图像分割技术（3）图像分割的分类 图像分割主要依赖于图像中不同目标或区域的影像特性，包括像素灰度值的变化、颜色或图像的空间模式等。 医学图像的分割通常根据像素的灰度变化，分为基于区域的分割和基于边缘检测的分割两大类。这两种方法分别利用了同一对象或目标的内部特征或像素灰度分布具有相似性，以及不同对象或目标之间特征或灰度值的不连续性。6.1 图像分割的基本概念、特点和分类医学图像分割技术（3）图像分割的分类 基于区域的分割方法的算法有： 阀值法 区域生长法 区域的分裂和合并法 分水岭法6.1 图像分割的基本概念、特点和分类医学图像分割技术（3）图像分割的分类 基于边缘检测的分割方法通过检测不同区域的边缘来解决图像分割问题。常用的算法有： 并行微分算子法 基于边界曲线拟合法 基于形变模型的分割法6.1 图像分割的基本概念、特点和分类医学图像分割技术（1）阀值分割法概述 阀值分割分为单阀值分割和多阀值分割。单阀值分割将图像分割为目标和背景，多阀值分割将图像分割为多个目标和背景。 阀值分割的依据是：目标或背景内的相邻像素间的灰度值是相似的，目标和背景的像素在灰度上有差异，反映在直方图上，目标和背景则对应不同的峰，选取的阀值应位于两个峰之间的谷底，从而将两个峰有效地分开。6.2 阀值分割法医学图像分割技术6.2 阀值分割法医学图像分割技术（1）阀值分割法概述 阀值分割的关键在于如何确定一个合适的阀值T，把图像分割为以下图像： 6.2 阀值分割法医学图像分割技术（1）阀值分割法概述 6.2 阀值分割法阈值过小阈值过小阈值过大阈值过大医学图像分割技术（1）阀值分割法概述 6.2 阀值分割法原始图像原始图像阈值图像阈值图像医学图像分割技术（1）阀值分割法概述 阀值分割法可以分为全局阀值法和动态阀值法。 如果阀值T的确定只和整幅图像f(x,y)的直方图有关系， 即T=T(f(x,y) 则为全局阀值法。 如果阀值T的确定不仅考虑全局阀值信息，在应用到每个像素点时还依据当前像素点的邻域属性进行微调，即T=T(f(x,y),p(x,y)，则为动态阀值法。 6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小极值点阀值法 对于符合如右图模型特点的图像，概率密度函数两个峰之间的波谷最低处的灰度值可以作为分割阀值T，此阀值即为最小极值点阀值。 求解方法：满足以上条件的z值即为最小极值点阀值T。6.2 阀值分割法医学图像分割技术（2）全局阀值法 Otsu法 (最大类间方差阈值法) Otsu法的原理是，背景和目标为来自两个总体的两组灰度值样本，以组间方差最大作为约束条件来确定阈值。Otsu法无需先验知识，也无需输入参数，选取的阀值进行分割的效果比较理想。 函数graythresh( )就是使用Otsu法确定阀值。 6.2 阀值分割法医学图像分割技术（2）全局阀值法 Otsu法 (最大类间方差阈值法) Otsu法阀值分割实例： level=graythresh(f); BW=im2bw(f,level);6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小误差阀值法 最小误差阀值法也称全局最优阀值法。如果图像的目标和背景的概率密度函数已知，或者目标和背景的各自直方图已知，分别为po(z)和pb(z)，并且目标像素和背景像素在整张图像中占的比例已知，分别为Po和Pb（ Po=1-Pb ），最小误差阀值就是使得目标和背景的误分割误差最小的阀值。6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小误差阀值法 选定任意一个阀值t，则将一个背景像素误分割为目标像素的概率为：将一个目标像素误分割为背景像素的概率为： 总体误分割的概率为：6.2 阀值分割法ttt医学图像分割技术（2）全局阀值法 最小误差阀值法 使总体误分割的概率最小的阀值就成为最小误差阀值。 将上式对t求导，并令其等于零，可得： 求解以上方程即得满足分割误差最小的阀值t=T。6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小误差阀值法 从上述方程看，如果目标和背景像素在图像中所占比例相等，即Pb=Po =0.5，方程可化简为： 最优阀值为目标和背景的概率密度函数的交点处对应的灰度级。6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小误差阀值法 实际应用中，目标和背景的出现和分布的概率很难获得。在很多情况下，可以用近似的方法来替代。例如假设 、 都符合高斯分布，且均值 、 和方差 和 已知。则： ，6.2 阀值分割法医学图像分割技术（2）全局阀值法 最小误差阀值法 如果进一步假设 和 相等且其值为 ，对应的最优阀值为： 如果假设目标和背景像素在图像中所占的比例相等，即Pb=Po =0.5，则最优阀值为6.2 阀值分割法医学图像分割技术（2）全局阀值法 基于最小误差法理论的迭代最优阀值选取： 若假设目标和背景出现的概率相同，且均为高斯分布，方差相等，则对应的最优阀值为 。在确定图像符合双峰模型后，可采用迭代法得到或逼近真正的最优阀值。 1）选择一个初始阀值T 。 2）用T实现图像分割，把图像像素分为两类。 3) 分别计算上一步获得的两类像素的均值 和 。 4）依据公式 计算新的阀值。 5）若新的阀值T 和上一轮T 值相差的绝对值小于预先设置的一个参数thresh时，退出迭代，此时的T 值为最终的最优阀值。否则回到第2步，继续迭代。6.2 阀值分割法医学图像分割技术（2）全局阀值法 迭代最优阀值分割:T=(max(f(:)+min(f(:)/2; flag=1; %计算初始阈值Twhile(flag) g=f=T; %g与f尺寸相同，g中为1的点在f中像素值=T newT=(mean(f(g)+mean(f(g)/2; %计算新的T flag=abs(newT-T)0.0001; %如果newT和T相差不大， % flag为0 T=newT; %改变TendBW=im2bw(f,double(T)/255);6.2 阀值分割法医学图像分割技术（3）动态阀值法6.2 阀值分割法医学图像分割技术（3）动态阀值法 当图像的不同区域的背景或受到的干扰强度有明显区别时，不宜使用全局阀值分割，可使用动态阀值。 动态阀值的思想： 把图像划分为若干个子图像，则每个子图像受到不均匀变化的影响较小，背景可近视看作均匀。 对每个子图像单独进行阀值分割，再将每个子图像的分割结果拼成整幅图像。每个子图像所用的阀值随子图像在原图像中的位置而变化。6.2 阀值分割法医学图像分割技术（3）动态阀值法f=imread(septagon2.jpg);m,n=size(f); segImg=zeros(m,n); subSize=200; stdT=6;for i=1:subSize:m for j=1:subSize:n subImg=f(i:i+subSize-1,j:j+subSize-1); if(std2(subImg)stdT) T=1.0; else T=graythresh(subImg); end segSub=im2bw(subImg,T); segImg(i:i+subSize-1,j:j+subSize-1)=segSub; endend6.2 阀值分割法医学图像分割技术（1）区域生长法 和阀值法相似，区域生长法也是基于区域相似性进行分割，不同的是：阀值法获得阀值T后，分割过程可以并行实现，不同的图像区域同时进行分割；而区域生长法是串行的算法，除第一步外，每一步算法都依赖于上一步的计算结果。6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法 区域生长法的基本思想： 将具有相似性质的像素合并起来构成区域，需要在待分割区域指定一个或多个种子点作为生长的起点。种子点可以人工指定，也可以设定规则由计算自动指定。 确定种子点后，根据生长规则，将种子像素周围（一般选择8邻域）符合生长规则的像素划分到种子点所在的区域；再将新纳入的像素点作为种子点继续进行生长，直到没有满足生长规则的像素为止。这样就由最初的种子点产生一个连通的区域。6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法 运用区域生长法的三个关键点： 选择合适的种子点：种子点是区域生长的起始点，会决定区域生长的位置。 “最小区域”阀值的确定：如果生成的区域小于阀值，则抛弃。 生长区域的合并原则：如果一个像素同时属于多个区域，则这些区域会被合并。6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法 区域生长法的优点： 充分考虑图像的局部特性，特别适用于分割小的结构。6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法 区域生长法实例：已知种子点：像素值为1 和5的种子；相似性准则：像素与种子像素灰度差的绝对值小于等于阈值 T； （b）: T=3，恰好分成两个区域； （c）: T=1，有些像素无法判断； （d）: T=6，整个图被分成一个区域。6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法种子点：像素值为 6 的种子；相似性准则：相邻像素与种子像素灰度差的绝对值小于等于阈值T2；6.3 区域生长法和分裂合并法医学图像分割技术（1）区域生长法f=im2double(f);maxT=0.05;g=zeros(size(f);seeds=*;for i=1:size(seeds,1) x=seeds(i,1);y=seeds(i,2); g=g+regiongrowing(f,x,y,maxT);endfigure,imshow(g);6.3 区域生长法和分裂合并法医学图像分割技术function J=regiongrowing(I,x,y,growThresh)J=zeros(size(I);ImgSize=size(I);rgnMean=I(x,y);rgnPtsNum=1;neib=-1 0;1 0;0 -1;0 1;neibPos=0;neibList=zeros(4,3);pixdist=0;6.3 区域生长法和分裂合并法医学图像分割技术while(pixdistgrowThresh & rgnPtsNum=1)&(yn=1)& (xn=ImgSize(1)&(yn=ImgSize(2); if(ins&(J(xn,yn)=0) neibPos=neibPos+1; neibList(neibPos,:)=xn yn I(xn,yn); J(xn,yn)=1; end end dist=abs(neibList(1:neibPos,3)-rgnMean); pixdist, index=min(dist); J(x,y)=1;rgnPtsNum=rgnPtsNum+1; rgnMean=(rgnMean*rgnPtsNum+neibList(index,3)/ (rgnPtsNum+1); x=neibList(index,1); y=neibList(index,2); neibList(index,:)=neibList(neibPos,:);neibPos=neibPos-1;end医学图像分割技术